基于边缘增强残差网络的 Real-GDSR：面向真实引导 DSM 超分辨率
图像与视频处理
2024-04-08 v1 计算机视觉与模式识别
摘要
低分辨率数字地面模型（DSM）具有受噪声、传感器局限性和数据获取条件影响的独特特征，这些特征无法通过简单插值方法（如双立方插值）复制。这导致在真实数据上表现不佳的超分辨率模型。训练在真实低分辨率和高分辨率 DSM 对上的模型也具有信息不足的挑战。另一方面，同一场景的其他成像模态的存在可用于丰富大规模超分辨率所需的信息。本文提出了一种新方法，名为 REAL-GDSR，用于解决真实世界 DSM 超分辨率的复杂问题。该方法将该病态问题分解为两个步骤。第一步骤涉及利用残差局部细化网络。这种策略不同于传统方法，后者直接训练预测高度值而非差值（残差），并在网络中利用大感受野。第二步骤引入一种基于扩散的技术，对结果进行全局增强，主要侧重于平滑和边缘保留。我们的实验强调了所提出方法的有效性。我们进行了全面的评估，将其与最近在真实世界 DSM 超分辨率领域的 state-of-the-art 技术进行比较。我们的做法在定性和定量评估中 consistently 优于这些现有方法。
引用
@article{arxiv.2404.03930,
title = {Real-GDSR: Real-World Guided DSM Super-Resolution via Edge-Enhancing Residual Network},
author = {Daniel Panangian and Ksenia Bittner},
journal= {arXiv preprint arXiv:2404.03930},
year = {2024}
}
备注
Accepted for publication in the ISPRS Annals of Photogrammetry, Remote Sensing, and Spatial Information Sciences